Zespół badawczy zaprezentował framework do nienadzorowanego uczenia ciągłego oparty na technologii rosnących map samoorganizujących się (GSOM), które zostały rozszerzone o uczonestatystyki rozkładów oraz modele kodujące-dekodujące. Innowacyjnym aspektem jest zastosowanie syntetycznego powtarzania bez konieczności przechowywania rzeczywistych danych - każda jednostka GSOM utrzymuje oszacowania średniej, wariancji i kowariancji, które wykorzystywane są do generowania syntetycznych próbek. W konfiguracjach encoder-decoder próbki te są dekodowane z powrotem do pierwotnej przestrzeni poprzez próbkowanie ancestralne.
Metoda działa w pełni nienadzorowanie, nie wymagając jawnych granic zadań ani etykiet klas podczas treningu. To stanowi znaczną przewagę, ponieważ większość istniejących podejść wymaga dostępu do takich informacji, co ogranicza praktyczną stosowanie w rzeczywistych scenariuszach. Topologia GSOM pozwala adaptacyjnie wzrastać sieci w odpowiedzi na nowe dane, zachowując wcześniej nabytą wiedzę.
Wyniki na wielu benchmarkach pokazują, że proponowane podejście osiąga wydajność konkurencyjną nawet w stosunku do nadzorowanych metod bazujących na pamięci, jednocześnie konsekwentnie przewyższając podejścia bez pamięci. Szczególnie imponujące rezultaty zaobserwowano w trudnych scenariuszach przyrostowego uczenia pojedynczych klas. Badacze dostarczyli również nowe wyniki referencyjne dla TinyImageNet i MiniImageNet w konfiguracji przyrostowej, które będą użyteczne dla przyszłych prac badawczych.